Laboratorio 004: Manipulacion de Imágenes

Ingeniería Biomédica

PSIM

Autor/a

Ph.D. Pablo Eduardo Caicedo Rodríguez

Fecha de publicación

14 de agosto de 2025

🧪 Laboratorio: Codificación de Información en Imágenes Digitales

🎯 Objetivos del laboratorio

Comprender la estructura digital de una imagen como matriz de píxeles.
Aplicar técnicas básicas de manipulación de imágenes usando Python.
Desarrollar funciones para codificar y decodificar información textual en imágenes.
Reflexionar sobre la importancia del procesamiento de imágenes en aplicaciones biomédicas.

🛠️ Herramientas

Lenguaje: Python 3
Librerías: opencv-python (cv2), numpy, matplotlib, pydicom.

🔬 Actividades comunes a todos los grupos

Carga y visualización de imágenes dicom
Conversión de texto a binario
Codificación de bits en el canal de color
Recuperación del mensaje codificado
Generación de la imagen dicom

🔀 Variantes del laboratorio por grupo

Cada grupo trabajará una variante distinta del laboratorio base. Esto garantiza diversidad de enfoques y evita el plagio entre equipos.

Grupo	Variante asignada	Descripción
A	Canal rojo	Solo puede usar el canal rojo para codificar.
B	Orden inverso	El mensaje se codifica recorriendo los píxeles en orden inverso.
C	Dos mensajes	Codifica dos mensajes distintos: uno en azul y otro en verde.
D	Compresión básica	Comprime el mensaje antes de insertarlo.
E	Escala de grises	Utiliza imágenes en escala de grises para codificación.
F	Alto contraste	Solo se permite codificar en píxeles con alto contraste respecto a sus vecinos.
G	Patrón de ajedrez	El mensaje se codifica en píxeles alternos como patrón de ajedrez.
H	Tres bits	Se usan los tres bits menos significativos para codificar cada carácter.
I	Baja variabilidad local	El mensaje solo se codifica en zonas donde los valores de píxel son muy similares entre vecinos.

🧠 Ejercicio integrador

Codifica el siguiente mensaje dentro de una imagen asignada por el docente:
"Paciente Juan Pérez, ID: 203911, ECG normal, sin antecedentes"

Cada grupo deberá:

Entregar el código Python funcional.
Comparar la imagen original y la modificada.
Recuperar correctamente el mensaje.
Entregar un informe breve explicando el proceso y los retos del grupo.

📌 Evaluación

Criterio	Puntaje
Manipulación básica de imágenes	20 pts
Codificación y recuperación funcional	40 pts
Adaptación a la variante del grupo	30 pts
Informe técnico claro y bien escrito	10 pt
Total	100 pts

💬 Pregunta de reflexión

¿Qué aplicaciones biomédicas podrían beneficiarse del ocultamiento de datos en imágenes? Explica una situación clínica concreta donde esta técnica sería útil.

--- title: "Laboratorio 004: Manipulacion de Imágenes" description: "PSIM" subtitle: "Ingeniería Biomédica" lang: es author: "Ph.D. Pablo Eduardo Caicedo Rodríguez" date: "`r Sys.Date()`" format: html: code-tools: true code-overflow: wrap code-line-numbers: true code-copy: true fig-align: center self-contained: true theme: - simple - ../../recursos/estilos/metropolis.scss slide-number: true preview-links: auto logo: ../../recursos/imagenes/generales/Escuela_Rosario_logo.png css: ../../recursos/estilos/styles_pres.scss footer: <https://pablocaicedor.github.io/> transition: fade progress: true scrollable: true resources: - demo.pdf --- ```{r} #| echo: false #| eval: true #| output: false #| label: Loading R-Libraries # install.packages(c("DiagrammeR", "reticulate", "kableExtra", "tidyverse", "knitr", "cowplot", "ggfx")) library("DiagrammeR") library("reticulate") library("kableExtra") library("tidyverse") library("knitr") library("cowplot") library("ggfx") knitr::opts_chunk$set(echo = FALSE) def.chunk.hook <- knitr::knit_hooks$get("chunk") knitr::knit_hooks$set(chunk = function(x, options) { x <- def.chunk.hook(x, options) ifelse(options$size != "normalsize", paste0("\n \\", options$size, "\n\n", x, "\n\n \\normalsize"), x) }) ``` ```{python} #| echo: false #| eval: true #| output: false #| label: Loading Python-Libraries import numpy as np import matplotlib.pyplot as plt path_ecg="../../data" #https://developer.nvidia.com/embedded/learn/get-started-jetson-nano-devkit#write ``` # 🧪 Laboratorio: Codificación de Información en Imágenes Digitales ## 🎯 Objetivos del laboratorio - Comprender la estructura digital de una imagen como matriz de píxeles. - Aplicar técnicas básicas de manipulación de imágenes usando Python. - Desarrollar funciones para codificar y decodificar información textual en imágenes. - Reflexionar sobre la importancia del procesamiento de imágenes en aplicaciones biomédicas. ## 🛠️ Herramientas - Lenguaje: Python 3 - Librerías: opencv-python (cv2), numpy, matplotlib, pydicom. ## 🔬 Actividades comunes a todos los grupos 1. **Carga y visualización de imágenes dicom** 2. **Conversión de texto a binario** 3. **Codificación de bits en el canal de color** 4. **Recuperación del mensaje codificado** 5. **Generación de la imagen dicom** ## 🔀 Variantes del laboratorio por grupo Cada grupo trabajará una variante distinta del laboratorio base. Esto garantiza diversidad de enfoques y evita el plagio entre equipos. | Grupo | Variante asignada | Descripción | |-------|--------------------|-------------| | A | Canal rojo | Solo puede usar el canal rojo para codificar. | | B | Orden inverso | El mensaje se codifica recorriendo los píxeles en orden inverso. | | C | Dos mensajes | Codifica dos mensajes distintos: uno en azul y otro en verde. | | D | Compresión básica | Comprime el mensaje antes de insertarlo. | | E | Escala de grises | Utiliza imágenes en escala de grises para codificación. | | F | Alto contraste | Solo se permite codificar en píxeles con alto contraste respecto a sus vecinos. | | G | Patrón de ajedrez | El mensaje se codifica en píxeles alternos como patrón de ajedrez. | | H | Tres bits | Se usan los tres bits menos significativos para codificar cada carácter. | | I | Baja variabilidad local | El mensaje solo se codifica en zonas donde los valores de píxel son muy similares entre vecinos. | ## 🧠 Ejercicio integrador Codifica el siguiente mensaje dentro de una imagen asignada por el docente: `"Paciente Juan Pérez, ID: 203911, ECG normal, sin antecedentes"` Cada grupo deberá: - Entregar el código Python funcional. - Comparar la imagen original y la modificada. - Recuperar correctamente el mensaje. - Entregar un informe breve explicando el proceso y los retos del grupo. ## 📌 Evaluación | Criterio | Puntaje | |---------|---------| | Manipulación básica de imágenes | 20 pts | | Codificación y recuperación funcional | 40 pts | | Adaptación a la variante del grupo | 30 pts | | Informe técnico claro y bien escrito | 10 pt | | **Total** | **100 pts** | ## 💬 Pregunta de reflexión > ¿Qué aplicaciones biomédicas podrían beneficiarse del ocultamiento de datos en imágenes? Explica una situación clínica concreta donde esta técnica sería útil.